【技术实现步骤摘要】
本专利技术涉及航空机电作动器控制的，特别是一种基于数字孪生的机电作动器状态反演方法。
技术介绍
1、多电/全电飞机(mea/aea)的发展使其得到了越来越多的关注，与此相关的功率电传技术(power-by-wire，pbw)也在航空航天领域中得到了广泛的应用。在这项技术中，功率电传作动器被广泛使用。机电作动器(electromechanical actuator，ema)是一种新型功率电传作动器，相对于传统的液压和电液作动器，其具有很多优点。它不仅能够提供高效的能量转换，还可以减少能源损耗和环境污染，提高系统可靠性和维护性，以及减少重量和占用空间。由于其优越的性能，机电作动器被越来越广泛地应用于多电/全电飞机上。作为一种有潜力的新型机电设备，机电作动器具有广泛的应用前景，为未来的航空航天行业提供更多的机遇和挑战。
2、机电作动(ema)系统的高功率密度设计与封闭的传动结构集成在一起，通常运行于有限的空间和恶劣的环境。由于安装空间有限，ema无法进行完备的传感器配置，而且部分和健康状态相关的状态参数很难通过传感器直接获取也需要借助状态反演、参数辨识技术来获取。因此，状态反演和健康状态评估有着极强的关联性，进而决定其在飞机上能否被广泛应用。
3、数字孪生技术可以辅助机电作动(ema)系统的状态反演。这是基于数字孪生在全生命周期运行和优化的基本要求。数字孪生体是和物理实体相对独立存在于和物理空间有差异的虚拟作用域里并且可以在全周期运行的信息综合体。全生命周期运行可以理解为当存在一个物理实体的状态时，必然有一个数
技术实现思路
1、为了解决上述的技术问题，本专利技术提出了一种基于数字孪生的机电作动器状态反演方法，通过获取ema多健康工作状态下的多源数据信息，并将所述多源数据信息在时间维度根据健康指标划分为不同的试验数据集；对所述数据集内的多源数据信息进行预处理，归并相似的数据形成验证调整过的多源信息数据集；对所述多源信息数据集内每一种多源数据信息注入到建立的ema数字孪生模型中；采用遗传算法优化数字孪生模型，对实际运行的参数进行识别、估计并反演映射到孪生空间。
2、本专利技术的目的是提供一种基于数字孪生的机电作动器状态反演方法，包括获取ema多健康工作状态下的多源数据信息，并将所述多源数据信息在时间维度根据健康指标划分为不同的试验数据集，还包括以下步骤：
3、步骤1：对所述多源数据信息进行预处理，从时频域特征维度归并相似的数据形成验证调整过的多源信息数据集；
4、步骤2：对所述多源信息数据集内每一种多源数据信息注入到建立的ema数字孪生模型中，并采用遗传算法优化数字孪生模型，对实际运行的参数进行识别、估计并反演映射到孪生空间；
5、步骤3：对实际运行状态和孪生映射状态进行虚实状态一致性判别。
6、优选的是，所述多源数据信息包括电机电流信号(i1,i2,i3)、电机电压信号(u1,u2,u3)、转速信号(v)、转矩信号(t)、振动信号(a)和位移传感器信号(x)，共10维原始数据信息。
7、在上述任一方案中优选的是，所述试验数据集包括磨损四状态数据集d1～4，表示为：d1＝{i1 1,i1 2,i1 3,u1 1,u1 2,u1 3,v1,t1,a1,x1}、d2＝{i2 1,i2 2,i2 3,u21,u22,u2 3,v2,t2,a2,x2}、d3＝{i3 1,i3 2,i3 3,u3 1,u3 2,u3 3,v3,t3,a3,x3}以及d4＝{i41,i4 2,i4 3,u4 1,u4 2,u4 3,v4,t4,a4,x4}，其中，d1为系统正常数据集，d2为轻度磨损数据集，d3为中度磨损数据集，d4为重度磨损数据集。
8、在上述任一方案中优选的是，所述磨损四状态包括系统正常、轻度磨损、中度磨损和重度磨损。
9、在上述任一方案中优选的是，所述步骤1包括以下子步骤：
10、步骤11：提取时域特征；
11、步骤12：提取频域特征；
12、步骤13：提取时频域特征；
13、步骤14：计算余弦距离dis(xi,xj)，用于衡量两个向量的差异。
14、在上述任一方案中优选的是，所述时域特征包括波形因子s、波峰因子c、脉冲因子i、峭度因子k和裕度因子l，
15、所述波形因子s的计算公式为
16、
17、所述波峰因子c的计算公式为
18、
19、所述脉冲因子i的计算公式为
20、
21、所述峭度因子k的计算公式为
22、
23、所述裕度因子l的计算公式为
24、
25、其中，x(t)为数据集a1中的检测信号，t为检测信号数，n为采集的信号总数。
26、在上述任一方案中优选的是，所述频域特征包括重心频率fc、均方频率msf和频率方差vf，
27、所述重心频率fc的计算公式为
28、
29、所述均方频率msf的计算公式为
30、
31、所述频率方差vf的计算公式为
32、
33、其中，s(f)为功率谱函数，f为频率，df为频率微分符号。
34、在上述任一方案中优选的是，所述功率谱函数s(f)的计算公式为
35、
36、其中，f[]表示傅里叶变换，m＝1,2,…,n/2。
37、在上述任一方案中优选的是，所述步骤13包括计算j层上第i个节点的能量值e(j,i)，公式为
38、
39、将小波包分解后信号能量谱中各频带的能量百分比特征di作为故障诊断特征值，计算公式为：
40、
41、其中，pv为小波变换系数，为范数的平方，di为将小波包分解后信号能量谱中各频带的能量百分比特征。
42、在上述任一方案中优选的是，所述余弦距离dist(xi,xj)的计算公式为
43、
44、其中，xi为第i个样本的特征向量，xj为第j个样本的特征向量，xik为第i个样本的特征向量的第k维特征值，xjk为第j个样本的特征向量的第k维特征值，k为特征向量维度，θ为特征向量之间的角度，n为特征向量的维度总数。
45、在上述任一方案中优选的是，所述ema数字孪生模型为
46、
47、
48、其中，ua为电机三相电压的a相电压，ub为电机三相电压的b相电压，uc为电机三相电压的c相电压，rs本文档来自技高网...
【技术保护点】
1.一种基于数字孪生的机电作动器状态反演方法，包括获取EMA多健康工作状态下的多源数据信息，并将所述多源数据信息在时间维度根据健康指标划分为不同的试验数据集，其特征在于，还包括以下步骤：
2.如权利要求1所述的基于数字孪生的机电作动器状态反演方法，其特征在于，对实际运行状态和孪生映射状态进行虚实状态一致性判别。
3.如权利要求2所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述多源数据信息包括电机电流信号(I1,I2,I3)、电机电压信号(U1,U2,U3)、转速信号(V)、转矩信号(T)、振动信号(A)和位移传感器信号(X)，共10维原始数据信息。
4.如权利要求3所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述试验数据集包括磨损四状态数据集D1～4，表示为：D1＝{I1 1,I1 2,I1 3,U1 1,U1 2,U1 3,V1,T1,A1,X1}、D2＝{I2 1,I2 2,I2 3,U2 1,U2 2,U2 3,V2,T2,A2,X2}、D3＝{I3 1,I3 2,I3 3,U31,U3 2,U3 3,V3,T3,
5.如权利要求4所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述步骤1包括以下子步骤：
6.如权利要求5所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述时域特征包括波形因子S、波峰因子C、脉冲因子I、峭度因子K和裕度因子L，
7.如权利要求6所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述频域特征包括重心频率FC、均方频率MSF和频率方差VF，
8.如权利要求7所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述功率谱函数s(f)的计算公式为
9.如权利要求8所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述步骤13包括计算j层上第i个节点的能量值E(j,i)，公式为
10.如权利要求9所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述余弦距离dist(xi,xj)的计算公式为
...【技术特征摘要】
1.一种基于数字孪生的机电作动器状态反演方法，包括获取ema多健康工作状态下的多源数据信息，并将所述多源数据信息在时间维度根据健康指标划分为不同的试验数据集，其特征在于，还包括以下步骤：
2.如权利要求1所述的基于数字孪生的机电作动器状态反演方法，其特征在于，对实际运行状态和孪生映射状态进行虚实状态一致性判别。
3.如权利要求2所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述多源数据信息包括电机电流信号(i1,i2,i3)、电机电压信号(u1,u2,u3)、转速信号(v)、转矩信号(t)、振动信号(a)和位移传感器信号(x)，共10维原始数据信息。
4.如权利要求3所述的基于数字孪生的机电作动器状态反演方法，其特征在于，所述试验数据集包括磨损四状态数据集d1～4，表示为：d1＝{i1 1,i1 2,i1 3,u1 1,u1 2,u1 3,v1,t1,a1,x1}、d2＝{i2 1,i2 2,i2 3,u2 1,u2 2,u2 3,v2,t2,a2,x2}、d3＝{i3 1,i3 2,i3 3,u31,u3 2,u3 3,v3,t3,a3,x3}以及d...
【专利技术属性】
技术研发人员：徐东，祝琴，黄金娥，王岩磊，程红伟，杜贻群，葛威，刘隆波，张扬，王新鹏，熊玲，
申请(专利权)人：中国人民解放军九二九四二部队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。